- 博客(11)
- 收藏
- 关注
RSS订阅原创 RQ：神奇的解码结果
总感觉传统的数字通信解码后，要么就是这种重建不出来图像，要么是部分精准复原部分重建不出来（如上图左上角部分，是准确重建出来的），要么是全都完整重建。那种传输后图像大致可以辨识，但只是图像较为模糊的数字通信过程是怎么实现的呢？
2025-01-22 16:12:58
125
原创 注意力机制综述（图解完整版附代码）
Transformer 之什么是注意力机制（Attention）注意力机制综述（图解完整版附代码） - 知乎。
2025-01-08 13:33:10
153
原创 Score-based Diffusion Model经典论文
【论文精读】Score-Based Generative Modeling Through Stochastic Differential Equations 通过随机微分方程进行基于分数的生成建模_scorebased generative model-优快云博客。[论文阅读] High-Resolution Image Synthesis with Latent Diffusion Models - Chunleiii - 博客园。
2025-01-06 11:16:11
1024
原创 注意力机制
注意力机制（Attention Mechanism）源于人类视觉的工作原理。在处理信息时，人类不会关注所有信息，而是集中注意力在关键部分上，忽略不相关的部分。注意力机制试图模拟这种行为，允许神经网络在计算时关注输入的不同部分，从而提升性能。在深度学习中，尤其是在自然语言处理（NLP）和计算机视觉（CV）中，注意力机制被广泛应用。
2025-01-06 11:10:52
1341
原创 异常检测与复杂数据稀有类别分析
（Anomaly Detection）指的是从大量数据中识别出不同于常规数据的异常点或数据模式。异常点是指数据集中的那些与大多数数据显著不同的样本，通常代表错误、欺诈或其他值得关注的行为。在金融、医疗、网络安全等领域中，异常检测应用广泛。
2024-12-08 23:08:51
697
原创 噪声标签学习 (Noise Label Learning)
噪声标签学习（Noise Label Learning，NLL）是指在训练机器学习模型时，标签数据存在误标或噪声（如错误的标签），导致模型的训练受到影响的问题。噪声标签问题通常出现在实际应用中，例如在大规模数据集或标注成本高昂的情况下，人工标注可能存在错误或不一致，造成标签噪声。噪声标签学习的目标是设计有效的算法，使得模型在面对标签噪声时，依然能够学习到有用的知识，并提高模型的鲁棒性。
2024-12-08 23:06:13
1827
原创 多视图学习（Multi-view Learning，MVL）
多视图学习（Multi-view Learning，MVL）是一种利用来自不同视角或不同类型数据的学习方法，特别是在涉及不同数据源或模态的情况下，能够提供更多的、互补的信息。多视图学习的主要目标是通过不同视角的学习来提高学习任务的准确性和鲁棒性，尤其在处理高维数据、异构数据时，能够显著提升模型的性能。
2024-12-08 23:03:37
1205
原创 多模态扩散模型
扩散模型（Diffusion Models，DMs）是近年来在生成任务中取得显著成功的模型，它们通过模拟数据的逐渐噪声化与反向去噪的过程，生成新的样本。随着技术的发展，
2024-12-08 22:56:56
1168
原创 多模态自监督学习（Multimodal Self-Supervised Learning, MSRL）
多模态自监督学习是一种重要的机器学习方法，旨在从多种模态的数据中学习有效的表示，而无需依赖大量标注数据。自监督学习通过从数据本身生成标签来进行学习，因此具有很高的潜力，尤其适用于多模态数据（如图像、文本、语音、传感器数据等）中的表示学习。和。
2024-12-08 22:53:08
1212
原创 多模态融合（Multimodal Fusion）
（Multimodal Fusion）是指将来自不同模态（如图像、文本、语音、传感器数据等）的信息进行整合、联合分析和处理，以便全面理解、推理和应用这些数据。多模态融合是人工智能、计算机视觉、自然语言处理、机器人学等领域的核心技术之一，具有广泛的应用前景，尤其在自动驾驶、智能机器人、智能医疗、虚拟现实/增强现实（VR/AR）等领域得到了重要应用。
2024-12-08 22:50:03
4381
原创 多模态语义通信（Multimodal Semantic Communication）
是一种结合多模态数据（如图像、语音、文本等）和语义理解的通信技术，旨在通过高效、智能的方式传输和处理信息，尤其是在5G及未来6G网络中，具有重要的应用前景。这一领域的研究正在快速发展，并且融合了自然语言处理（NLP）、计算机视觉（CV）、深度学习（DL）等多个技术。多模态语义通信的关键挑战之一是如何将来自不同传感器或设备的异质信息进行融合，以便从多种模态中提取出有价值的语义信息。现有的研究多集中在如何通过深度学习、神经网络等方法实现信息的高效融合和语义抽取。
2024-12-08 22:46:54
1353
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人